DCPat-XFE：精神性非てんかん発作検出のための説明可能なEEGモデル

科学分野:

• 神経科学
• 医療診断
• ヘルスケアにおける機械学習

背景:

• 精神性非てんかん発作（PNES）は、てんかん性発作との類似性から誤診されることが多く、診断ツールの改善が必要とされています。
• 脳波（EEG）は、PNESとてんかんを鑑別するために重要ですが、現在の検出方法には限界があります。
• PNESの心理的起源は、てんかんの電気的起源とは異なる診断アプローチを必要とします。

研究 の 目的:

• EEGを用いたPNES検出のための新しい説明可能な特徴量エンジニアリング（XFE）モデルを導入すること。
• 正常、言語誘導誘発性陽性（VSP+）、および言語誘導誘発性陰性（VSP-）のPNESを含む、専門家によるアノテーション付きの特殊なPNES EEGデータセットをキュレートすること。
• さまざまなEEGパターンの分類における提案されたXFEフレームワークのパフォーマンスと解釈可能性を評価すること。

主な方法:

• 特徴量抽出のための距離カウンターパターン（DCPat）、選択のための累積重量ベース近傍成分分析（CWNCA）、分類のためのイテレーティブ多数決（IMV）を伴うtアルゴリズムk最近傍法（tkNN）、および解釈のための指向性ロビッシュ（DLob）で構成されるXFEフレームワークを開発しました。
• 4つの異なるケーススタディにわたる、専門家によってラベル付けされた正常、PNES VSP+、およびPNES VSP-クラスを含むEEGデータセットを利用しました。
• PNES関連のEEGパターンを説明するために、象徴的な解釈と皮質コネクトームマッピングにDLobを使用しました。

主要な成果:

• DCPat XFEフレームワークは、評価された4つのすべてのケースで96.5%以上の精度を達成しました。
• ケース2（正常 vs PNES VSP-）は、99.11%で最も高い精度を示しました。
• DLobの出力は、明確な象徴的な説明とコネクトーム図を提供し、モデルの解釈可能性を高めました。

結論:

• 新しいDCPatベースのXFEフレームワークは、EEGデータからのPNES検出のための非常に正確で解釈可能な方法を提供します。
• モデルが明確な象徴的な説明を提供する能力は、信頼性の高い臨床意思決定支援ツールとしての可能性を支持します。
• この研究は、PNES診断を進歩させるための貴重なデータセットと堅牢な方法論に貢献します。